Як з нуля побудувати кар’єру у сфері ШІ — поради від співзасновника Coursera Ендрю Ина

Чому ШІ потрібен навіть виробнику піци

Сьогодні ми сприймаємо як належне, що більшість людей вміє читати й писати. Утім, ще кілька століть тому це було прерогативою лише невеликої частини населення. Можливо, колись вміння писати код, особливо для ШІ, пошириться, так само як поширилася грамотність.

Традиційна інженерія ПЗ займається створенням програм, що передають комп’ютеру певну послідовність дій. Але ШІ, машинне навчання та data science пропонують нову парадигму, де комп’ютери добувають знання з даних.

ШІ та data science можуть принести користь навіть виробнику піци. За допомогою лінійної регресії Одна з найвідоміших і найпростіших моделей машинного навчання. Вона припускає наявність лінійного звʼязку між даними, що дає змогу прогнозувати певні події у майбутньому. він зможе краще оцінити попит. І як наслідок — оптимізувати роботу ресторану і скоротити час очікування клієнтів.

Різні галузі знайдуть більше способів використати ШІ-рішення та інсайти з даних, ніж традиційні розробки ПЗ. Це робить опанування програмування, орієнтованого на ШІ, більш цінним за традиційне програмування.

Специфіка карʼєрних етапів у сфері ШІ

Існує три ключові стадії кар’єрного розвитку:

• опанування базових навичок професії;
• втілення проєктів для їхнього поглиблення;
• пошук роботи.

Такі етапи характерні для багатьох професій. Утім, ШІ-сфера має низку особливостей.

• Вивчення базових навичок триває всю кар’єру. Оскільки ШІ тільки зароджується, багато технологій перебувають ще на етапі свого розвитку. Відносно сталі основи машинного та глибинного навчання ще можна опанувати в межах певного курсу. Але далі доведеться йти в ногу з технологіями, що постійно розвиваються. Для ШІ це важливіше, ніж для більш усталених сфер.
• Високоітераційний характер проєктів. Часто проєкти мають пройти крізь низку ітерацій, щоб досягти цільових метрик. Це породжує складнощі в управлінні: як скласти план, якщо заздалегідь невідомо, скільки часу знадобиться для його реалізації?
• Суперечливі уявлення про навички та ролі у команді. Компанії все ще намагаються з’ясувати, які ШІ-навички їм потрібні та як наймати людей, що їх мають. Речі, з якими ви працювали, можуть суттєво відрізнятися від того, з чим зіштовхувався ваш роботодавець. Найімовірніше, вам доведеться пояснювати йому, в чому полягала ваша робота.

На кожному з цих етапів важливу роль грає комʼюніті. Добре мати друзів та колег, які хочуть допомогти вам чи яким прагнете допомогти ви. Це робить ваш шлях простішим.

Які навички варто опанувати новачку

Про ШІ опублікували більше наукових робіт, ніж будь-хто може прочитати за все своє життя. Тому під час навчання особливо важливо пріоритезувати теми. Ось деякі з найважливіших.

• Основи машинного навчання. Важливо розуміти, що таке лінійна та логістична регресії, нейронна мережа, дерево рішень, кластеризація та виявлення аномалій. Також необхідно розуміти ключові концепції машинного навчання, як-от зсув та дисперсію, функцію витрат, регуляризацію, алгоритми оптимізації тощо.
• Глибинне навчання. Цей напрям став настільки великою частиною машинного навчання, що складно досягти успіху, не розуміючи його. Тому варто розібратися в основах нейронних мереж, налаштуванні їхніх гіперпараметрів, згорткових мережах, трансформерах тощо.
• Математика для машинного навчання. Потрібно опанувати лінійну алгебру (вектори, матриці, різні маніпуляції з ними), теорію ймовірності і статистику (стандартний нормальний розподіл, теорему Баєса, перевірку статистичних гіпотез тощо). Важливим є вміння робити пошуковий аналіз даних (exploratory data analysis, EDA). Базове розуміння математичного аналізу теж не завадить.
• Розробка програмного забезпечення. Ваші кар’єрні можливості зростуть, якщо ви навчитеся писати ПЗ для розгортання ШІ-рішень. Тому варто опанувати основи програмування, алгоритми і структури даних, познайомитися з Python і ключовими бібліотеками на кшталт TensorFlow, PyTorch і scikit-learn.

В інтернеті є багато хороших матеріалів. Але якщо ваша мета — глибоке розуміння теми, читання розрізнених вебсторінок буде неефективним. Логічно структурований курс — часто найкращий спосіб навчання. Коли ви засвоїте знання, що пропонують курси, можна перейти до читання наукових статей та інших ресурсів.

Наскільки добре потрібно знати математику

Вимоги до рівня знань з математики постійно змінюються. Зараз багато методів машинного навчання вже готові до використання і потребують менше дебагінгу. Тому для роботи з ними поверхових знань з математики загалом достатньо. Однак ситуація була іншою, коли бібліотеки машинного навчання ще не були такими розвинутими.

Глибинне навчання перебуває саме на етапі свого становлення. Тому коли ви тренуєте нейронну мережу, розуміння математики в основі градієнтного спуску чи алгоритму оптимізації Адама допоможе вам ухвалювати кращі рішення.

Як обрати проєкти для портфоліо

Протягом свого карʼєрного шляху ви робитимете багато проєктів. Їхні масштаби і складність з часом зростатимуть. Утім, варто почати з чогось невеликого, поступово розвиваючи навички.

Якщо у вас немає ідей для проєктів, ось кілька рекомендацій.

• Приєднайтеся до проєкту, над яким вже хтось працює.
• Читайте та спілкуйтеся з людьми. Можливо, це надихне вас на ідею для власного проєкту.
• Сконцентруйтеся на сферах, де машинне навчання ще не впроваджували.
• Розвивайте додаткові проєкти, навіть якщо маєте основну роботу.

Якщо ж ви не знаєте, на якій ідеї зупинитися, ось кілька чинників, які варто врахувати.

• Чи допоможе проєкт вашому технічному розвитку? В ідеалі він має бути достатньо складним, щоб розвинути ваші навички. Але не настільки, щоб його неможливо було успішно завершити.
• Чи є у вас напарники для його виконання? Якщо ні, то чи є принаймні люди, з якими ви можете його обговорити? Ми багато чому вчимося в нашого оточення, тому хороший компаньйон стимулюватиме ваш розвиток.
• Чи буде цей проєкт сходинкою до чогось більшого? Якщо проєкт буде успішним, чи слугуватиме він важливим етапом на шляху до більших проєктів?
• Уникайте аналітичного паралічу. Немає сенсу місяць думати над доцільністю проєкту, який можна зробити за тиждень.

Першими проєктами у вашому портфоліо можуть стати невеликі домашні завдання з курсів. Далі можна застосувати машинне навчання до свого хобі (наприклад, спрогнозувати, чи виграє улюблена команда). Також можна створити скрипт для автоматизації роботи колеги чи взяти участь у змаганнях на Kaggle Kaggle Платформа, де спеціалісти конкурують у створенні найкращих моделей для прогнозування та опису даних. .

Чому варто брати неформальні консультації

Якщо ви збираєтеся змінити посаду чи галузь, варто спочатку поговорити з тим, хто вже має цікавий вам досвід роботи. Краще отримати таку неформальну консультацію задовго до того, як розпочнете пошук вакансій.

Особливо важливі подібні консультації у сфері ШІ. Оскільки вона постійно еволюціонує, під однією і тією ж назвою позиції компанії можуть мати на увазі різні обовʼязки.

Наприклад, в одних дата-саєнтист має аналізувати дані та презентувати свої знахідки. В інших — від такого спеціаліста вимагають написання та підтримку коду. Неформальна консультація допоможе зрозуміти, якими будуть обовʼязки на посаді у цій конкретній компанії.

Під час неформальної консультації ви можете запитати:

• Що ви робите протягом звичайного робочого дня чи тижня?
• Які завдання найважливіші для цієї позиції?
• Які навички важливі для професійного успіху?
• Як ваша команда працює разом, щоб досягати цілей?
• Як виглядає процес найму?
• Що вирізняло сильних кандидатів на цю посаду?

Синдром самозванця і як з ним боротися

Новачки у сфері ШІ часто зіштовхуються з синдромом самозванця. Це не дивно, адже ШІ — це технічно складний напрям з безліччю викликів. Також у ньому працює багато розумних і здібних людей.

Досить легко забути, що щоб робити щось добре, спочатку треба робити це погано.

«Якщо ви досягли успіху в тому, щоб бути поганим в ШІ, мої вітання, ви на правильному шляху! Колись мені було важко зрозуміти математику в основі лінійної регресії. Я був спантеличений, коли логістична регресія дивно поводилася з моїми даними. У мене пішли дні на те, щоб знайти помилку в реалізації базової нейронної мережі. 

Сьогодні мені все ще складно читати багато наукових статей. А нещодавно я припустився очевидної помилки під час налаштування гіперпараметра нейронної мережі (це, на щастя, помітив і виправив колега-інженер). Тож якщо ви теж вважаєте елементи ШІ складними — це нормально. Ми всі це проходили», — підсумовує Ендрю Ин.

Реклама у Vector

Знайшли помилку? Виділіть її і натисніть Ctrl+Enter